TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4299 ~ 4 3 0 5   DOI: 10.115 9 1 /telkomni ka. v 12i6.399 4          4299     Re cei v ed  Jul y  27, 201 3; Revi sed  De ce m ber  23, 201 3; Acce pted Janua ry 2 2 , 20 14   Speaker Recognition Based on i-vector and Improved  Local Preserving Projection      Di Wu*, Jie Cao, Jinhua  Wang    Coll eg e of Elec trical an d Information En gi ne erin g, Lanz hou  Universit y  of T e chn o lo g y ,   Lanz ho u, 730 0 50, Chi n a   *Corres p o ndi n g  author, e-ma i l :  wu di61 5200 7@h o tmail.co m      A b st r a ct   In this  pa per,a  i m prov ed  l o ca l pr eserve  pr oj ection   al gor ith m  is prop ose d  in order   to en h ance   the   recog n itio n p e r f orma nce  of th e i-vector s pea ker re co gniti on  system  und er  unpr edicte d  n o i se e n viro n m e n t.  F i rst , the n on  z e r o   eig env alu e  is r e ject ed w hen  w e  solv e t he  opti m a l  o b j e ctive fu nction   and  on ly th e v a lu e   greater  tha n   z e ro are  us ed. A  ma pp ing   matri x  is o b tai ned  b y  solvi n g  a  ge n e rali z e d  ei ge nv alu e  pr obl e m ,  so   can settle the s i ng ular va lu e p r obl em  alw a ys occurre d in tra d itio nal l o ca l pr eserve pr ojecti on al gorit hm. T h e   exper iment re sults show n t hat the  rec o g n itio n perfor m ance  of the  me th od  prop o s ed i n  this p a per i s   improve d  un de r several ki nds  of noise e n vir o nments.     Ke y w ords :   computer  ap p licatio n, i-vect or, loca l pres er vin g  pro j ecti on, man i fold  lear nin g , spe a ker   recog n itio n         Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  With the pa st de cad e s,  spe a ker  reco gni tion ha s  become a v e ry pop ular  area  of  resea r ch in  p a ttern  re cogn ition, com put er visi on  and  machi ne l earning [1]. Due  to the mi smat ch   betwe en  trai ning and  te st ing con d ition s  cau s e d   by   som e   in evitable rea s o n  su ch as  cha nnel  distortio n , different mi crop hone s, tran smitting cha n n e ls o r  en cod e r. One of th e main cau s e s  of  the perfo rma n ce de grada tion is the additive noise that may appea r in many pra c tical  appli c ation s .  There a r e a l a rge  num ber of different   solution s to all e viate this p r oblem.  We  can  identify three  main cla s s of techniq u e s  fo r noi se -robu st ASR, namely featu r e en han cem ent  method [2],  model a dapt ation metho d  [3] and sco r e no rmali z at ion metho d  [4]. The featu r e  enha ncement  method attempts to norm a lizatio n the  distorte d feature, or e s tim a te undi stort e d   feature form  the disto r ted  spe e ch, and  do not re qui re any explicit  kno w led ge a bout the noi se .  Some exa m ples a r e th e  ce pst r al  me an n o rm aliza t ion (CM N ),  cep s tral  me a n  an d va rian ce   norm a lization  (CMVN), rel a tive  spe c tra  (RASTA) an d feature ma pping. In co n t rast, the mo del  adaptatio n method s wo rk i n  the backe n d  to comp en sate by modifying the acou stic model s an d   carrie d out  b y  usin g som e  type of  kn owle dge  abo ut the n o ise.  Some typi cal exampl es  are  maximum likelihoo d linea r regressio n  (MLLR), maxi mum a po ste r ior  (MAP), factor a nalyse (FA)   and vecto r  T a ylor serie s   (VTS) etc. T he sco r e no rmalizatio n m e thod try to norm a lizi ng the  output score usin g variou s normali zatio n  method s ,  su c h  as  HN orm, T N o r m and  Z N or m e t c .   In the la st years, th e Ga u ssi an Mixture   Model s b a se d on  Unive r sal Backg r ou n d  Mod e l  (GMM -UBM ) [5]  has  be co me  the mo st popul ar mode ling  a pproa ch   in spe a ke r re cog n ition, so me  gene rative m odel s su ch a s  Eigenvoi ce s, Eigenchan nels a nd the most po we rfu l  one, the Joi n t  Facto r  Analy s is, have  built  on the  succe s s of  the  GM M-UBM  ap proach. Recentl y , a ne w met hod  whi c h in spi r e d  from the j o i n t factor  anal ysis a nd  con s ists in fin d ing  a low  dimen s ion a l sub s p a ce   of the GMM  supervector  space, named the total  variability space  that r epresents both speaker   and  cha nnel  variability, the vecto r s i n  t he lo w dim e n s ion a l spa c e  are  call ed i-v e ctors [6]. Th e i- vector met h o d  are b e com e  the main  stream in the  spe a ker reco gnition sy ste m  at home a n d   aboa rd for th e rea s on of its leadi ng rol e  in the NIST test.  Locality Preserving Proje c tions (LPP) [ 7 ] is  a m anifold lea r nin g   method  widel y used i n   pattern recog n ition and  co mputer visi on , LPP is also  well known  as a line a r g r aph em beddi ng  method. But the tradition al  LPP method  wa s un sup e r vised  and  was p r op osed  for only vect or   sampl e s, n o t being a b le t o  be di re ctly applied  to i m age  sampl e s, so there are b een  sev e ral   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4299 – 4 305   4300 types improv ements to co nventional L PP [8]. T he first type of th e improvem e n t is supe rvised  LPP, whi c h t r y to expl oiting the  cl ass  label i n form ation of  sa mpl e s i n  the  trai ning  pha se.  The   se con d  type cha nge s LPP  to a nonline a r tran sfo r m  method by u s ing the  kern el trick. The third  type of the  improvem ent  to LPP ma inly focu se s on di re ctly impleme n tin g  LPP for t w o   dimen s ion a l rather than o n e  dimen s ion a l  vectors  a n d  its have hig her comp utational efficie n cy.  And the  la st i m provem ent  see k s to  obta i n LPP  solu ti ons  with   diffe rent solutio n  prop ertie s , su ch  as orth ogo nal  locality pre s e r ving metho d  and un co rrela t ed LPP feature extra c tion  method.    From the mo deling p r o c e s s of the i-vector  method, the manifold l earni ng meth od ha s  been   a c hiev ed well perf o rma n ce  in  automatic  sp eaker re co g n ition syste m .  But  the LPP  algorithm always  suffers  f r om the small  s a mple  s i z e   (SSS) problem. A new  s o lution sc heme for   LPP is pro p o s ed in thi s  pa per  whi c h ca n be directly impleme n ted  no matter  wh ether the r e e x ists  the SSS problem or not.  We only usi n g the ei genv ectors  correspondi ng posit i ve eigenvalue   whe n  solving  the optimize d  objective fun c tion an d rem o ving the ze ro eigenvalu e .   The remai n d e r of the  pa per i s  o r ga ni zed  as follo ws: in  Sectio n 2  we intro duce the  conve n tional  LPP and  pre s ent  our ne w LPP sol u tio n . In Sectio n  3 the  origi n al i-ve ctor A S R   system i s  giv en and  our  new i - vecto r   ASR sy stem  based on  o u r ne w LPP  solutio n  is al so  prop osed. In Section 4 we descri be the  experim ent  re sult s.  S e ct ion  5 of f e rs ou r Con c lu sion.       2. The improv e d  LPP method  2.1. Descrip tion of LPP   LPP was p r o posed as a way to transform samp le s in to an new sp ace an d to en sure that  sampl e s that  were in cl ose  proximity in the origi nal sp ace  remai n  so in the new  spa c e. Con s i der  there have  l  training  sampl e s  1 {} l ii X x , the goal of LPP is to minimize the followin g  function   [9-10]:     2 , mi n ( ( ) ) TT ii i j ij Wx Wx S                                                                           (1)                                     The  ij S  is a symmetric m a trix and the elem ent of the  ij S  is defined a s  fol l ows:    else x of neighbors K of one is x if t x x S i j j i ij 0 exp 2          (2)                  From th e o p timized  fun c tio n  eq uation  (1 ) we  can  see  the lo cal  structure of th e  feature   spa c e  ca n p r ese r ved li ke i n  the o r igin al  high di men s i on spa c e afte r dime nsi on  redu ction, whi c h   mean s  clo s e  sam p le s in t he o r igin al space will  st ill  clo s e i n  the  new sp ace, so the p r oj ecti on   matrix  W  c an be written as  :    W X S D X W W XLX W W T T T T ) ( min arg min arg                                                                          (3)                           In Equation  (3), D is  diago nal ma trix, j ij ii S D ， S D L ， the solution of  Equation (3)  can b e  obtain ed by finding  the  gener alized eige nvalu e  of the following fun c tion:     W XDX W XLX T T                                                                                        (4)                                          2.2. Ne w   LP P Solution Scheme   For th e  conv entional  LPP  method,  even if the  nei ghbo ur  sa mp les  are  from  different   c l as se s ,  in  the  tr an s f or m  sp a c e  ob ta in ed  us in g th e co n v e n t io na l LPP s o lu tion  th e y  migh t a l so   statistically h a ve the sam e  re pre s e n ta tion, whi c h i s  di sadva n ta ges fo r p a ttern  re cog n ition   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Speaker  Re cognition Ba se d on i-vecto r   and Im pr oved  Local Preserving Proje c tio n  (Di  Wu)  4301 probl em s. In other  wo rd s, it is po ssi ble  for t he  conve n tional LPP  solution to p r o duce the  sa me   rep r e s entatio n for sampl e s from  different cla s se s, esp e ci ally for the sam p le s locate d on t h e   bord e r of two  cla s ses, all u n su pervi sed  LPP met hods might suffer from this  sam e  dra w ba ck.   In this se ctio n, we de scri be our n e w i m provem ent scheme to  the co nventio nal LPP  s o lution  s c heme. Firs t, we demons t rate  the  effective  sol u tion  of t he  conve n tio nal LPP  sol u tion   sho u ld be fro m  a sub s pa ce T X DX , for s i mplic i ty, we define matrix 1 D , 1 L  and  1 S ：     T T T XSX S XLX L XDX D 1 1 1                                                                                                (5)    Suppo se th at n ,..., , 2 1  are the  eigenve c tors corre s po n d ing to the  positive   eigenvalu e s of  1 D  while  N n n ,..., , 2 1 are the eig env ectors  co rre spondi ng to t he zero  eigenvalu e s,  in this pa p e r, we rega rd eige nvalue s that a r e  le ss than  10 10 2 . 0  ar e z e r o   eigenvalu e s.  Acco rdi ng t o  the natu r e  of LPP,  the ability of the preservin g  the nei ghb our  relation shi p  ca n be  mea s ured  by  W D W W L W T T 1 1 , that mean s the smal ler  W D W W L W T T 1 1  value is , t he better th e  local  stru ctu r e of sampl e s is  pre s e r ve d, so the   Equation (4)  can b e  re writ e as:     W D λ W L 1 1                                                                                                   (5)    Then  we d e si gn a  matrix,  ] ,..., , [ 2 1 n R , using  R , we res p ec tively trans form  1 D ， 1 L ， 1 S  into the f o llowing matric es :    R S R S R L R L R D R D T T T 1 1 1                                                                                                          (6)    We then construct the  following eig en- equation ：     W D λ W L                                                                 (7)     Then  we  can  dire ctly solve the  equ atio n (7 )  sin c e   D  is of full  ra nk.  Let  n β β β ,..., , 2 1   denote the  e i genve c tors correspon ding  to eigenvalu e s n λ λ λ ,..., , 2 1  in the increa sing  ord e r of  Equation  (7 ). Using  the  matrix R , we  p r odu ce   R X W T , then we tra n sfo r m  W  into  Y  bu   carrying o u t  WG Y , where ] ,..., , [ 2 1 n β β β G , that is :    G R T X WG Y ) (                                                                                                    (8)    In this new  method, the  small sampl e  size  p r obl e m  are solve d  becau se its dire ctly  implemented  no m a tter  whether there exists  the SSS problem  or not, and  only t he ei genvect o r  whi c h its eig envalue g r ea ter than ze ro  are us ed so the dra w b a ck of the convention a l LPP  algorith m  ca n  avoid.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4299 – 4 305   4302 3. The Improv ed  i- v ector Sy stem   3.1. Baseline  i-Vector Sy s t em De scription   The m a in i d e a  in tradition al JFA  is to  f i nd  two sub s pace whi c h repre s e n t  the spe a ker  and  cha nnel   variabilitie s resp ectively. The exp e rim ent  show that  JFA i s  o n ly p a rtially succe ssful   in sepa rating   spe a ker  and   cha nnel  varia b ilities.   Whil e in th e i - vect or m e thod  p r opo sed  a  sin g le  spa c e that m odel s the two  variabilities a nd nam e d  it the total varia b ility space [11-12]:     ω T m M                                                                                                      (9)    Whe r e  M  is the  mean  supe rvector which  cont ain spe a ker  a nd ch ann el  information ,   m   is  UBM sup e rv ecto r,  T  is a low rank m a trix named t o tal  variability matrix, which represent s a  basi s  of the reduced to tal   variability space and  ω  is a  stan dard no rmal di stribute d  vecto r , the  comp one nts of  ω are  the fa ctors a nd th ey rep r e s ent  t he coo r din a tes  of the  spea ker in th e  reduced total  variability space, th ese feat ure vectors ar e referred to  as ident ity vectors or nam ed   i-vec t or for short.  The cru c ial st ep to the i-ve ctor meth od i s  to com pute  total variabili ty matrix T . At f i rs t,   we train  UB M usi ng EM  algo rithm, a nd extra c t th e Baum -Wel ch va riabl es  according  to  the   trained UBM:    t t m m N ,                                            (10)    t m t t m m μ ξ γ F ) ( ,                                                                                      (11 )      The  m N and  m F  rep r esent ze ro o r de r and first orde r stati s tic variable resp ectively,  t  is  the frame nu mbers,  m  repre s ent the m-th  hy brid vectors of UBM,  t m γ ,  is the Gaussia n  sha r ing  rate, that:     M i i i t m m t t m μ ξ N μ ξ N γ 1 ; ; , ) , ( ) , (                                                                                       (12)    ) , (; m m μ N is the  Gau s si an  comp one n t  whi c h the  m eani s m μ and vari ance i s m ， t ξ is the ra ndo m vector of the t  frame ， M is the mixed nu mber of UB M .  After calcul ate Baum- Wel c h varia b l e s, we  can training mat r ix  T  using EM me thod as follo ws:    NT T I L T 1                                                                                   (13)    F T L x E T 1 1 ) (                                                                                  (14)    F  is the vecto r  arran geme n t of  m F ,  N 、 is the diago nal m a trix of  m N 、 m r e spec tively.    3.2. The Proposed i-Ve ctor Sy stem    After obtaine d the initial i-vecto r  features , we  com p lete the improved LPP  algorithm   prop osed in this pa per to the i-vecto r  sy stem , the sp e c ific procedu re are ta ken a s  follows:   (1)  Performi ng t he dime nsi o n  redu ction  proc e s s to the  i-vecto r  by the imp r oved  LPP  method p r op ose d  in this p aper.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Speaker  Re cognition Ba se d on i-vecto r   and Im pr oved  Local Preserving Proje c tio n  (Di  Wu)  4303 (2) Furthe r dime nsio n red u cti on pro c e s sin g  usin g LDA  scheme.   (3)  Takin g  the  e quivalent dim ensi on ma pp ing to the  re duced i-ve ct or by the  WCCN  trans form [13]:     r n i T r r i r r i R r r WCCN ν ν ν ν n R W 1 1 ) )( ( 1 1                                                        (15)    In this equati on,  R  is rep r e s ent the total numbe rs of spea ker in th e  training  set,  r v is   the mea n   rth  training  spe a ker sam p le s,  r i v is repre s e n t  the  ith  sam p le of th e  rth sp ea ke r,  a n d  r n rep r e s ent the  training nu m bers of the rth  speaker.   (4)  Re cog n ize the test sa mple usi ng cosin e  dista n ce score:     θ ω ω ω ω ω ω Score test tar test tar test tar , ) , (                                                    (16)      4. Experiment   4.1. Experiment Design    T o  e v a l ua te  ou r  imp r o v ed  i- ve c t or   s y s t em , experim en t were  con d u c ted  on the  d a taba se  from CLEA R evaluation. Which con s ist of  200  voice se gme n ts, each voice segm en t is   corre s p ondin g  a face figu re pro p o s ed in  the above, a nd the len g th of each  se gm ent is 1 min u te.  Those 100  segment s are use d  for train i ng GMM pa ra meters, and  the rest use d  for testing. The  HTK tool s we re u s ed fo r e x perime n ts. In the fronte d , spe e ch was  Hammi ng  win dowed eve r y 10   ms with  a wi ndo w width  o f  20ms, the f eature  used were  13 -D M F CC co efficie n ts  ap pend ed   b y   their first a n d  second  ord e r  derivative s . The mi xture  comp one nts of UBM is 5 12, the col u mn   numbers in t he  total vari ability matrix  T  is 40 0, the n e w dim e n s io n after dim e n s ion  red u ctio n  usin g improved LPP method is 35 0 whil e after LDA di mensi on p r o c essing i s  200.     4.2. Ev aluation Crite r ion   In order to test the performance of the new  method  propo sed in this pape r ,  we utilizing   the  Equal  E rro r Rate(EE R ) and Min   Dete ction  Co st Fun c tio n (Min DCF)  a s  the  evalua tion  crite r ion, the  comp utation  of MinDCF is  taken a s  follo ws [14]:     } ) ( ) ( { min Im p A FA Tar R FR θ P θ F C P θ F C MinDCF                                (17)    While FR C and  FA C  are the cost of erro r refu se  and error a c cept re spe c tively ,in the   NIST  match, the FR C  is  set a s   10 an d the  FA C  i s  s e t  a s  1 . Tar P and p P Im  are the prior  probability  of genuine sp eaker and im poste r  spea ker in the test  set, naturally ,   Tar P is set as 0.0 1and p P Im is   s e t as  0.99.  R F  is the false  ref u se rate, and  A F  is the false a c cept rate.     4.3. Experiment Result a nd Analy s is   The sim u latio n  experim ent s in this pa pe r are  con s i s t of two part:   (1)  In the clean  backgroun d, we com par e  the perform ance betwe e n  the conven tional  LPP  method, the improve d  LPP  method prop osed i n   this pap er  utilizing in th e i-vecto r  system  and GMM m e thod, the re su lt are sho w n i n  the  T abl e 1.  (2)  Unde r dif f erent noi se  en vironme n ts,  we  expl ore the robu stne ss of the  ne w LPP   method utilizi ng in the i-ve ctor  system,  the re sult are sho w n in the  T abl e 2.        Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4299 – 4 305   4304 Table 1. Experime n t Re su lt Compa r ed  betwe en Initial LPP Algorithm and Improved LPP  Algorithm whi c h u s ed for i - vector Spe a ker Re co gnitio n  System  Method  EER(%)  MinDCF  LPP(i-vector)  4.72  0.19  Improved LPP(i- vector)  4.45  0.17  Conventional  GMM 7.32 0.53      From the  re sults sho w n in  the  T a ble 1, i t  is  cle a r that  the re cog n itio n perfo rma n ce of the  i-vecto r  syste m  is better than the initial GMM re cog n i t ion system whether  u nde r EER crite r ion  or  MinDCF crite r ion.we ca n see that the EER is  redu cing 3% and  MinDCF i s  redu cin g  0.3 5 %  comp ared to the initial GMM system, so  the exper im ent result co nfirm the su p e rio r ity of the i- vector  syste m  powerfully .  While fu rthe r  to see t he result  sho w n i n  the  T able  1, the pe rform a nce   given by the improved L P P  algorithm  are bette r  than the pe rf orma nce given by  initial LPP   algorith m , the EER is reducin g 0.27% and MinDCF  is redu cin g  0.02%.  This improve d  method  can en han cin g  the reco gnit i on perfo rma n ce of the i-ve ctor  system  for the rea s o n  of it can further  discrimi nate the in-cla ss  sa mples a nd th e near di stan ce extra - cl ass sa mple s.      Table 2. Experime n t Re su lt Based on I m prove d  LPP Algorithm un der Diffe rent  Noi s e  Environme n t whi c h u s ed fo r i-vecto r  Spe a ke r Re co gni tion System  V o ice Enironment  SNR EER(%)   MinDCF   Clean Backgroun d  >40dB  4.45  0.17  White Noise Environment   0dB  7.04 0.335   5dB  6.72 0.295   10dB  5.91 0.276   15dB  5.36 0.242   20dB  4.93 0.204   Babble Noise Environment  0dB  6.89 0.314   5dB  6.49 0.282   10dB  5.71 0.255   15dB  5.02 0.228   20dB  4.76 0.189       Form the experime n t result s sho w n in the  T abl e 2, the performa n ce  given by the  i-vecto r   system ba se d on the improved LPP  scheme are bet ter than the initial GMM method.  The EER is  4.45% and the MinDCF is 0.17 unde r clean bac kg roun d and its decre asi ng 2.87% and 0.36   respe c tively compa r ed to the initial GM M method.   The pe rform ance of the method p r op ose d  in this pape r ca n re duci ng the EER and   MinDCF cert ain deg ree u nder dif f e r ent  signal n o ise  rate(S NR) u nder  white n o ise a nd ba b b le   noise enviro n ment. While  the SNR is 20, t he EER is 4.93% and 0.17 un der white no ise   environ ment  and babble  environme n t, and its d e crea sing 2. 29% and 2.56% respe c tively  comp ared to the initial GM M method.       5. Conclusio n   In this pa per,  a new  metho d  of enha nci n g the spea ke r recognitio n  p e rform a n c e u nder i - vector  syste m  whi c h its th e most  cuttin g  edg e re co g n ition sy stem  in our  kn owl edge i s  p r op o s ed,  the ne w  met hod i s   ba se d on  conven tional LPP  method  and  the m o tivation  wa s that  the   conve n tional   LPP method  i s  al way s   suffer from th e S SS probl em,  and i n  thi s  n e w   scheme,  We   only u s ing t he ei genve c t o rs corre s po nding  po si tive eig envalue  wh en  solvin g the  optimi z ed   obje c tive function and re mo ving the zero eigenvalu e .  Further work will  concentrate on following two areas:   (1)  Solving the small sample size (SSS)  probl em of the LPP method utilizing other  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Speaker  Re cognition Ba se d on i-vecto r   and Im pr oved  Local Preserving Proje c tio n  (Di  Wu)  4305 mathemati c al  method forev e r.   (2)  The comp uta t ional re quire ments fo r trai ning the i - vector syst ems  a nd e s timating  the   i-vecto r s, ho wever, a r e too high for ce rtain types  of appli c ation s . A simply method to the ori g inal  i-vecto r  extra c tion  and  training  which  wo uld  dra m atically d e c re ase thei r co mplexity  while  retainin g the reco gnition p e r forma n ce is i n si stent dem and.       Ackn o w l e dg ements   This wo rk  was  su ppo rted  by in  part  the  Nation al  Scien c e - tech nology Su pp ort Plan  Proje c t of  China  und er contra ct 1 214 ZGA008,   in part by  the  Nature  S c ien c e Fou ndatio n  of   Chin a un der  contract  612 6 3031, in  pa rt by the  Scie nce Fou ndation  of Gan s u P r ovince  of Chi na  unde r co ntra ct 1010RJZA0 46.       Referen ces    [1]  Kinn une n T ,   Li HZ . An o v ervie w   of te xt-in d e pen de nt speak er rec ogn iti on: from  features t o   superv e ctors.  Speec h Co mmunic a tion . 2 010 ; 52: 12-40.   [2]  Hamid  Rez a  T ohi d y po ur, Se yye d  Al i Se yyedsa l eh i, Hoss ein B e h b o od,  Hossei n  R o sh and el. A  n e w   repres entati o n  for spe e ch f r ame rec o g n iti on  base d  o n  redu nd ant  w a vel e t filter  b anks.  Sp eec h   Co mmun icati o n.  2012; 5 4 : 25 6-27 1.  [3]  T y ler K P e rrac h io ne, Step han ie N D e l T u fo,  John  D E  Gabri e li. Hum an Vo i c e Reco gn ition  Depe nds  o n   Lan gu age Ab ili t y .  Scienc e . 20 11; 333: 5 95.   [4]  Parvin Z a r e i E skikan da, Se yyed Al i Se yye d s a le hia.  R o b u st speak er reco g n itio n b y  e x trac ting i n vari an t   features. Proce d ia - Soci al an d Behav ior a l S c ienc es. 201 2; 32(3): 23 0-2 3 7 .   [5]  Shao Y ang,  Jin Z haoz hu a ng, W ang D e lian g . An au d i tor y   base d  feature for ro bust spe a ker   recog n itio n.  ICASSP.   T a ibei, T a n w a n . 200 9: 4625- 46 28.   [6]  Di W u , Jie  C ao, Jin h u a  W ang, W e i  Li.  Multi-f eatur e fusio n  face r e cogn ition  bas e d  on  Kern e l   Discrimi nate  L o cal  Preserv e   Projecti on  Alg o rithm  und er s m art env ironm ent.  Jo urna l of  Co mputer s .  201 2; 7(10): 24 79-2 487.   [7]  Jun Du, Qian g Huo. A F e a t ure Comp ens ation Ap pro a c h  Usin g Hig h- Order Vector T a y l or Seri es   Appro x imatio n  of an E x plic it Distortio n  Mo del for  Nois y s peak er reco gn i t ion.  IEEE Transactions o n   Audi o, Speec h, and La ng ua ge  Processin g .  2011; 19( 8): 228 5-22 93.   [8] Jeon g  Y.  Sp e a ker a d a p tatio n  b a sed  on  th e  multi lin ear  d e co mp ositio n  of traini ng  spe a ker  mo de ls .  Procee din g s o f  the IEEE Internati ona l Co n f erenc e  on Ac oustics, Spe e c h  and S i g nal  Processi ng.   Dall as, USA: IEEE. 2010; 48 70-4 873.   [9]  Yong jun H e , Jiqin g  Ha n. Gaussia n  Spe c ific Compe n s a tion for Ch a nne l Distortio n  in speak er   recog n itio n . IEEE Signal Proc essing Letters.  201 1; 18(1 0 ): 599-6 02.   [10]  Omid Dehz ang i, Bin Mab, En g  Sion g Chn g ,  Haizh ou Li. Di scriminativ e fe ature e x tractio n  for speake r   recog n itio n usi ng conti n u ous  output co des.  Pattern Recognition Letters.  201 2; 33: 170 3 - 170 9.  [11]  GU  Xia o   hua,  GONG W e i  guo, YA NG L i  pi ng.  S u p e rvi s ed  gra ph-o p ti mized  loc a lit y pres ervin g   proj ections.  Op tics and Precis i on Eng i n eeri n g . 2011; 19( 3): 672-6 80.   [12]  N De hak, P   Kenn y,  R D e h a k, P D u mou c hel, P  Ou e l -l et. F r ont-end   factor an al ysis  for sp eak e r   verificati on. Au dio, Spe e ch, a nd La ng uag e P r ocessi ng.  IEEE Transactions  on .  2010; 99.   [13]  T o mas Pfister, Peter Ro bi nso n . Rea l -T ime R e cog n it io n of A ffective States  fr om Nonv erb a l  F eatures  of  Speec h  and  I t s Appl icatio n  for Pu blic  S peak ing  Ski ll  Anal ys is.  IEEE Transactions on Affective   Co mp uting . 2 0 11; 2(2): 66-7 8 .   [14]  C Santh o sh K u mar, VP Moh and as. Rob u st  features for multili ng ual acou stic  model in g . Int J Speech  T e chno l . 201 1; 14: 147-1 55.             Evaluation Warning : The document was created with Spire.PDF for Python.